不同管理方式的人工林中，基于无人机激光雷达（UAV-LIDAR）的生物量估算方法的比较

《International Journal of Digital Earth》：Comparison of UAV-LiDAR-driven biomass estimation approaches in planted forests with different management

人工林不同管理类型下UAV-LiDAR生物质估算方法对比研究。针对未管理（UPF）和集约管理（MPF）两种人工林，评估树基、对象基和面积基三种方法的生物量估算精度。研究发现：UPF因结构复杂，对象基方法通过引入OBI指数（整合高度和水平结构信息）和CE_XY（XY平面冠层熵）等指标，估算R2达0.76，优于树基方法；MPF因结构简单，面积基方法（依赖σ_CHM和GF）表现更优，R2达0.90。对象基方法通过合并未分割树木，显著降低UPF和MPF中的个体树分割误差影响。研究证实管理类型显著影响冠层结构和林分复杂性，进而影响LiDAR生物质估算方法的选择与精度。

　　在森林恢复和碳封存过程中，人工林扮演着至关重要的角色。然而，人工林的管理方式可能对森林结构和组成产生影响，从而影响基于无人机激光雷达（UAV-LiDAR）的生物量估算效果。本研究旨在评估在人工管理林（MPF）和非人工管理林（UPF）中，以树为中心、以对象为中心和以面积为中心的估算方法，并开发了一种对象生物量指数（OBI），以更准确地捕捉森林对象的结构复杂性。通过比较三种方法在不同管理类型森林中的指标和估算精度，研究发现，在MPF中，描述冠层高度和水平结构的指标更为重要，而在UPF中，能够捕捉细尺度结构细节的指标对生物量估算贡献更大。整体而言，MPF在密集管理下的表现优于UPF。其中，所提出的以对象为中心的方法展现出较强的稳健性，能够有效缓解个体树分割误差的影响。本研究强调了森林管理对UAV-LiDAR驱动的生物量估算方法的影响，并指出在更大尺度上估算森林生物量时，应充分考虑管理方式。

人工林通常指的是通过人工种植或播种建立的森林生态系统，其作用不仅在于提供经济收益和木材产品，还在生态系统服务恢复和应对气候变化方面发挥着重要作用。不同的管理策略会影响人工林的结构、组成、功能和生物量积累速率。例如，单一树种的密集管理林（如桉树林）往往具有较简单的结构和均匀的冠层分布，而遵循接近自然管理原则的混合林则更复杂，具有更高的生物量积累潜力。随着森林恢复政策从扩展面积向提升森林生产力和质量转变，多功能管理和生物多样性丰富的混合林受到了更多关注。相比传统的密集管理单一树种林，未受管理的人工林允许其他树种自然再生到冠层或灌木层，从而形成多树种共存的森林结构。多树种林通常表现出更高的树高和树干直径，这使得其生物量积累优于单一树种林，因为树种之间存在互补性。

传统的森林生物量估算方法主要依赖于现场测量的树种、胸径（DBH）和树高等指标，以及基于所有ometric模型（ASM）的校准。尽管这些方法在估算森林生物量方面被广泛使用，但它们成本高、人力密集，并且在空间范围上存在局限性。相比之下，机载激光雷达（ALS）可以提供景观尺度的森林结构信息，但其点密度通常低于20个点每平方米，难以检测到复杂的细尺度结构信息，如树个体属性。而基于无人机的激光雷达扫描（ULS）能够获取更详细的点云数据，点密度范围在60到1500个点每平方米之间，这种高密度的点云数据有助于更精确地检测树的结构属性，并进一步提高生物量估算的准确性。

基于LiDAR的生物量估算方法主要分为以面积为中心和以树为中心两种类型。以面积为中心的方法通过统计模型将地块尺度的生物量与点云数据中的结构指标联系起来。而以树为中心的方法则依赖于个体树的分割，提取树级指标，再利用ASM或统计模型进行生物量估算。与以面积为中心的方法相比，以树为中心的方法在概念上更接近传统的现场调查技术，能够提供更详细的结构和人口信息。然而，其准确性受个体树分割误差的影响较大，尤其是在密集树冠区域，由于多棵树的重叠和分割算法的局限性，容易出现低估或高估的问题，从而引入额外的不确定性。

在本研究中，针对两种不同管理类型的人工林（UPF和MPF），我们分别采用了不同的分割算法。对于地形复杂的UPF，我们使用了PTrees算法，以避免点云归一化过程中可能产生的变形。PTrees算法直接处理原始点云数据，保留了冠层几何信息，特别适用于复杂地形条件下的树分割。而对于相对平坦的MPF，我们采用了Dalponte算法，该算法首先通过冠层高度模型（CHM）中的局部最大值（LM）滤波器检测树顶，再利用种子区域生长算法结合阈值来界定冠层边界。这些算法的选择确保了在后续的树级生物量建模中，分割结果更加可靠。

为了减少LiDAR分割误差对生物量估算的影响，我们开发了对象生物量指数（OBI），用于提取包含多个冠层的对象结构信息。OBI通过计算每个高度层的点云密度和冠层面积，并结合平方根变换来约束权重的合理范围。此外，我们还引入了冠层熵（CE）指标，用于捕捉森林冠层的结构复杂性。这些指标能够更好地反映不同管理类型下森林的结构特征，并为生物量估算提供更全面的信息。

在生物量建模方面，我们采用了多种方法。对于以树为中心的方法，我们使用了基于树高和冠层直径的幂函数作为局部ASM，并基于OBI开发了LBI模型。对于以对象为中心的方法，我们使用了乘法幂（MP）模型进行对象生物量预测。而以面积为中心的方法则通过提取CHM、点云和体素（voxel）相关的指标进行建模。这些方法在不同管理类型的人工林中表现各异，其中以对象为中心的方法在UPF中表现出更高的准确性，能够有效应对分割误差带来的影响。

研究结果表明，在MPF中，描述冠层高度和水平结构的指标对生物量估算更为重要。而在UPF中，捕捉细尺度结构细节的指标对估算的贡献更大。此外，所有方法在MPF中的表现优于UPF，这可能与MPF相对简单的结构和均匀的冠层分布有关。对于以面积为中心的方法，其在MPF中表现出最高的准确性，而在UPF中，以对象为中心的方法在估算精度上优于其他两种方法。这表明，不同的管理类型会影响LiDAR驱动的生物量估算方法的选择和性能。

研究还指出，森林管理对生物量估算的影响不仅体现在分割误差上，还体现在森林结构属性之间的关系和结构属性与生物量之间的关联上。例如，管理方式可能改变森林的树种组成和冠层分布，从而影响估算模型的适用性。因此，在不同管理类型的人工林中，选择合适的估算指标和建模方法至关重要。本研究通过开发OBI，为以对象为中心的方法提供了新的指标，有助于提高生物量估算的准确性。

此外，研究还强调了在进行大规模森林生物量估算时，必须考虑管理类型的影响。由于不同管理类型可能导致森林结构和组成的变化，这会影响估算方法的适用性和准确性。因此，未来的森林生物量估算研究应更加关注不同管理类型的人工林，并探索更精细的分类系统，以提高估算方法的适应性和可靠性。

本研究的发现为人工林生物量估算方法的选择提供了实践指导。以对象为中心的方法在应对分割误差方面表现出较强的稳健性，尤其是在结构复杂的UPF中。这表明，该方法在不同管理类型的人工林中具有广泛的应用潜力。同时，研究还指出，未来需要进一步评估不同管理实践对生物量估算精度的影响，尤其是在更详细的森林分类体系下。通过明确每种方法的优势和局限性，可以为森林恢复和可持续管理提供科学依据。